Makalah Penelitian Optimasi dan strategi kalibrasi menggunakan desain eksperimen untuk
mesin diesel
sorotan
Variabel kontrol mesin dan keandalan dan prediktabilitas model mesin dievaluasi. Batas eksperimental menggunakan evaluasi pengaruh dan DOE
ditentukan ketika kalibrasi mesin dioptimalkan. Parameter kontrol engine dioptimalkan di setiap area operasi. Peta strategi kontrol yang optimal dihasilkan
dengan menghubungkan titik-titik optimal.
er-treatment. Meningkatnya kompleksitas sistem mesin telah menyebabkan
ningkatan jumlah parameter dan eksperimen. Metode kalibrasi saat ini untuk
artikelinfo sin diesel memakan waktu, yang telah menyebabkan masalah bagi para insinyur.
eh karena itu, metode kalibrasi mesin yang baru dan lebih baik diperlukan untuk
Sejarah artikel: Diterima 25 Januari 2017 mpromosikan pengembangan mesin diesel berkualitas tinggi yang efisien [1,2].
Direvisi 5 April 2017 Diterima 28 Mei
2017 Tersedia online 31 Mei 2017 Kalibrasi berbasis model menggunakan desain eksperimen (DOE)
pat mengurangi waktu dan biaya yang terlibat dalam mengurangi emisi dan
Kata kunci: Desain percobaan nsumsi bahan bakar [3-5].
Metode permukaan respons Penelitian ini dilakukan menggunakan DOE. Pertama, evaluasi pengaruh
Kalibrasi berbasis mesin Diesel variabel kontrol mesin dilakukan, dan parameter yang dipilih digunakan sebagai
Model regresi
data dasar untuk mengoptimalkan strategi kontrol mesin diesel. Model regresi
dihasilkan, faktor-faktor konstan dibandingkan, dan parameter dianalisis
berdasarkan hasil.
ataan peringatan resmi mengenai kekurangan bahan bakar fosil dan pemanasan global telah terjadi. dikabarkan.
Selanjutnya, keakuratan prediktif dan keandalan dari modul mesin
hatian untuk meningkatkan efisiensi bahan bakar dan mengurangi emisi gas buang telah meningkat. Khususnya,
menggunakan DOE dipelajari, menggunakan hasil yang disebutkan di atas serta
in diesel, jumlah parameter kontrol telah ditingkatkan oleh sistem after-treatment. Namun, kalibrasi semua
data dasar untuk kalibrasi mesin. Agar model mesin menjadi efektif, mereka perlu
mit dan membutuhkan pemahaman rinci. Oleh karena itu, metode kalibrasi mesin diesel saat ini memakan waktu
memastikan prediksi yang masuk akal. Setelah DOE, prediktabilitas model regresi
nciptakan lingkungan yang sangat menantang bagi para insinyur. Mempertimbangkan hal ini, metode kalibrasi
u dan lebih baik diperlukan. Dalam studi ini, pemodelan mesin, prediktabilitas, dan akurasi difokuskan pada
ditingkatkan. Untuk mengatur metode desain, penting untuk menentukan metode
sain eksperimen (DOE). Selain itu, asupan dan parameter kontrol bahan bakar dikalibrasi secara optimal untuk memprediksi akurasi dan keandalan mesin. Oleh karena itu, kami
model regresi dan optimasi numerik. Melalui prosedur ini, jumlah pengukuran pengujian dapat dikurangi secara
menghasilkan model regresi sesuai dengan metode desain dan mengevaluasinya
metode kalibrasi mesin yang efisien diusulkan.
menggunakan berbagai indeks untuk meningkatkan akurasi dan prediktabilitas
Ó 2017 Elsevier Ltd. Semua hak dilindungi.
model.
bahan bakar . Kalibrasi mesin diesel menjadi sangat kompleks karena pilihan
Daftar isi tersedia di ScienceDirect
2664
775 yn
b 1⁄4 ðXTÞÀ1XTY
3Þ
ð
Desain D-optimal menentukan varian minimum dari koefisien regresi menggunakan matriks informasi, kebalikan dari matriks terdistribusi
ðXT X À 1. Dengan meningkatkan matriks informasi, model memberikan informasi maksimum dan dapat memperkirakan varians minimum.
Þ
Untuk mengembangkan model prediksi, model regresi dihasilkan oleh fungsi basis radial (RBF). RBF cocok untuk perkiraan fungsi seperti mesin.
RBF banyak digunakan dalam aplikasi nonlinear. Dibandingkan dengan jenis lain dari algoritma pemodelan, ia memiliki konvergensi yang cepat
[8,9].
Dalam penelitian ini, model regresi emisi gas buang dihasilkan oleh RBF. Kemudian, reliabilitas dan akurasi prediksi model regresi dibandingkan.
Kami menciptakan model prediksi kami melalui model regresi menggunakan fungsi basis radial (RBF).
2.2. Metode evaluasi model regresi mesin Model
regresi yang dihasilkan oleh metode RBF untuk pengujian mesin dapat menggunakan empat indeks evaluasi: root mean squared error (RMSE),
kesalahan rata-rata kuadrat akar dari kesalahan yang diprediksi (PRESS RMSE), koefisien determinasi (R2), dan validasi RMSE [10]. RMSE
menunjukkan keakuratan antara model regresi dan data eksperimen. Ini didefinisikan dalam Persamaan. (4) sebagai berikut [11,12]:
RMSE 1/4
vuut ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
XN
D_x
iÀ
xi Þ /N
ð4Þ i 1/41di mana _xi a dalah nilai estimasi model regresi, xi a dalah data
aktual, dan N a dalah jumlah percobaan. PRESS RMSE dihitung dengan
menggunakan metode yang sama dengan RMSE. Perbedaannya adalah nilai yang terkait dengan N, kesalahan prediksi setelah pemodelan N À1
titik data. PRESS RMSE dapat memfasilitasi evaluasi baik kemampuan prediktif dan keberadaan over-fitting dalam model [13].
2.3. Metode optimisasi dan verifikasi
Optimalisasi dilakukan dengan menerapkan fungsi fungsi / objektif pada model regresi yang dihasilkan [14,15]. Sangat penting untuk
meminimalkan emisi gas buang dan konsumsi bahan bakar. Namun, mereka memiliki hubungan trade-off [16]. Untuk mengoptimalkan parameter,
oleh karena itu, kami menggunakan fungsi merit / tujuan, yang membutuhkan penetapan fungsi objektif yang benar. Hasil pemodelan dapat
digunakan untuk berbagai tujuan dengan menambahkan faktor bobot ke fungsi tujuan. Kami mengatur faktor bobot dari 1 hingga 3 sesuai dengan
tujuan kami, seperti yang ditunjukkan pada Persamaan. (5).
BSFC
1/4
fðxÞ
BSFCt  BSFCw þ
BSNOxBSNOx
tÂ
BSNOxw þ
BSPMBSPM
tÂ
BSPMw ð
5Þ
Dalam Persamaan. (5), subskrip 'w' menunjukkan nilai faktor bobot, dan 't' menunjukkan nilai target, nilai reaksi yang akan diperoleh dengan
optimasi. Data pengukuran untuk setiap area operasi ditetapkan sebagai nilai target minimum. Untuk membandingkan titik optimal dengan
pangkalan, nilai rata-rata dihitung untuk memverifikasi hasil optimisasi pada mesin aktual [17]. Tidak layak untuk mengevaluasi hasil optimal
dalam mode operasi; oleh karena itu, kami menggunakan metode penghitungan rentang operasi rata-rata dengan mengalikan waktu setiap titik dan
faktor bobot. Dalam penelitian ini, kami mengevaluasi nitrogen oksida (NOx), partikel (PM), dan konsumsi bahan bakar dengan menghitung nilai
rata-rata, seperti yang ditunjukkan pada Persamaan. (6).
mx, P 1
⁄4
Xi
Di sini, _mx , saya adalah aliran massa yang berhubungan dengan knalpot emisi dan konsumsi bahan bakar(xi),
yang merupakan rentang operasi, wi
adalahberat faktordari
jangkauan operasi, Pi adalah ith output daya, dan Dt adalah waktu yang dibutuhkan di masing-masing daerah operasi.
ith
2.4. Peralatan pengujian mesin
Untuk mengoptimalkan strategi kontrol pada mesin diesel common rail, kami melakukan percobaan dengan mengubah sembilan parameter (aliran
massa udara, meningkatkan tekanan turbo charger, posisi swirl actuator, tekanan common rail, timing injeksi utama, pilot 1
S. Park dkk. / Teknik Termal Terapan 123 (2017) 917–928 919
timing injeksi, pilot 2 timing injeksi, pilot 1 kuantitas injeksi, dan pilot 2 kuantitas injeksi) untuk mengoptimalkan emisi gas buang dan konsumsi
bahan bakar. Mesin eksperimental adalah mesin diesel 2.2L inline-4 silinder. Turbocharger geometri variabel (VGT) dan sistem common rail
digunakan untuk menghasilkan injeksi tekanan tinggi. Spesifikasi mesin seperti jenis mesin, volume perpindahan, dan jenis katup disajikan pada
Tabel 1.
Ketika parameter kontrol mesin dimodifikasi, sensor tekanan kombinasi dipasang pada busi silinder 1, dan sudut engkol diperoleh dengan
menggunakan sensor posisi engkol untuk menghilangkan kondisi tertekan. NOx dan PM diukur dengan alat analisis gas yang terletak di ujung
saluran pembuangan. Alat analisis gas HORIBA Ltd. MEXA-9100DEGR dan meter asap AVL Ltd. 415 digunakan untuk percobaan.
Program INCA ETAS Ltd. digunakan untuk mengatur parameter engine, dan ETK ECU digunakan untuk mengunci program dan engine.
Kecepatan engine diatur oleh dynamometer eddy saat ini yang memungkinkan pengukuran kecepatan engine dan torsi. Gambar 2 mengilustrasikan
peralatan uji mesin dan skema sistem.
2.5. Prinsip kontrol mesin
Sebelum melakukan percobaan mesin apa pun, penting untuk memahami prinsip-prinsip kontrol. Sembilan parameter kontrol mesin ditentukan
oleh jumlah injeksi bahan bakar (mg / stroke) untuk putaran engine (rpm). Aliran massa udara diatur oleh katup kontrol udara yang dipasang pada
throttle body. Unit tekanan boost pada charger turbo adalah hektopascal (hPa), dan tekanan boost diatur oleh baling-baling charger turbo. Sensor
tekanan boost dipasang di atas intake manifold untuk mengukur tekanan udara intake.
Unit kontrol dari posisi aktuator swirl adalah persentase (%). Aktuator swirl memungkinkan optimalisasi aliran udara sesuai dengan kondisi
operasi.
Regulator tekanan bahan bakar dan regulator tekanan rel masing-masing dipasang pada pompa bahan bakar tekanan tinggi dan sistem common
rail. Sistem kontrol dua tahap ini secara simultan mengatur inlet dan outlet. Elemen sensor menghasilkan tegangan sebanding dengan tekanan.
Oleh karena itu, pengukuran tekanan bahan bakar, jumlah injeksi bahan bakar, dan waktu injeksi diatur dengan tepat.
Waktu injeksi bahan bakar utama diatur berdasarkan top dead center (TDC). Kontrol timing injeksi pilot dilakukan berdasarkan timing injeksi
bahan bakar utama (°) daripada sudut engkol. Injeksi bahan bakar pilot 1 disuntikkan beberapa lsebelum timing injeksi bahan bakar utama, dan
injeksi bahan bakar pilot 2 disuntikkan beberapa lsebelum timing injeksi bahan bakar pilot 1, dikendalikan oleh nilai relatif. Oleh karena itu, layak
untuk nilai absolut dari kontrol pengaturan waktu injeksi berbeda walaupun penggunaan waktu injeksi yang sama. Kuantitas injeksi bahan bakar,
pilot, dan jumlah total injeksi bahan bakar dikendalikan secara linier. Variasi dalam jumlah pilot 1 atau 2 injeksi bahan bakar menyebabkan variasi
dalam jumlah injeksi bahan bakar utama [18].
Tabel 1 Spesifikasi mesin uji.
Deskripsi Spesifikasi
Jenis mesin Mesin DI-diesel turbo bermuatan 4-stroke Jumlah silinder 4 Bore  Stroke ( mm mm) 87  92 Volume perpindahan (cc) 2.187 Sistem injeksi bahan bakar Common rail
Jenis katup DOHC 4 katup
Fðx1 , x2 , ÁÁÁ,x8,x9 Þ 1⁄4 ax21 þ bx1 þ cx22 þ dx2 þÁÁÁþ sapi28 þ px8
þ rx
þ qx2 9 9 þ s ð7Þ
3.2. Studi tentang keandalan dan akurasi prediktabilitas model mesin menggunakan DOE
. Evaluasi DOE menggunakan model One-Stage denganumum
Tabel 3 tekanan
rel, timing utama, dan timing injeksi sertainjeksi batas-batas variabel input DOEpada efek kondisi operasi.
Variabel input Unit Min Max
Aliran massa udara mg / str 350 400 VGT meningkatkan tekanan hPa 1050 1100 Swirl% 40 80 Tekanan rel umum MPa 53 63 Waktu utama ° À5 0 Pilot 1 timing ls 900 1500 Pilot 2
timing ls 900 1500 Pilot 1 kuantitas mg / str 0,6 1,5 Percontohan 2 kuantitas mg / str 0,6 1,5
Tabel 4 Pengaruh variasi pada fungsi respons.
Variabel 1 pengaruh 2 pengaruh
AFR Aliran massa udara - Tekanan torsi VGT Aliran massa udara Aliran massa buang Tekanan VGT Aliran massa udara Tekanan BSFC VGT Aliran massa udara BSNOX Aliran
R2 5040302010
PRESS RMSE RMSE Validasi RMSE 1 0Jumlah percobaan [Tidak]
Gambar. 3. Model regresi BSFC dihasilkan vs jumlah percobaan dengan fungsi kuadratik.
60
5040302010
0Jumlah percobaan [Tidak]
0.95
] hWk / g [ C FS
B0,9 0,85 0,8
jumlah pilot 1 dan 2 sebagai input lokal. Keluaran terdiri dari tanggapan BSFC, BSNOx, dan BSPM. Percobaan dilakukan pada 1.250 rpm dengan
kondisi beban mesin 2 bar. Tabel 6 menyajikan batas variabel input.
0,7
50 60 70 80 90 100
Menggunakan hasil sebelumnya dari percobaan pada pengaruh nilai kontrol, nilai batas eksperimental bervariasi. Karena mereka berada dalam
kisaran operasi yang sama, batas eksperimental untuk injeksi bahan bakar diterapkan secara historis.
Percobaan untuk evaluasi akurasi model mesin menggunakan RSM dan metode regresi. RSM untuk model regresi sekunder menerapkan desain
Interaction Order 2 dan Latin hypercube sampling (LHS). Dengan cara ini, jumlah percobaan meningkat dari 50 menjadi 100 pada interval 10.
Percobaan dilakukan dengan menggunakan tabel desain yang dihasilkan dan model regresi.
Jumlah percobaan ditentukan oleh hasil percobaan untuk mengevaluasi keandalan dan akurasi. Eksperimen pengoptimalisasian menerapkan hasil
ini. Namun, percobaan optimisasi menggunakan metode desain D-optimal daripada jenis desain LHS. Prediktabilitas dan akurasi model regresi
dapat bervariasi dengan model desain. Namun, metode desain diasumsikan kurang kritis daripada jumlah percobaan.
Model regresi dihasilkan menggunakan data eksperimental dari mesin. Prediktabilitas dan akurasi model yang dihasilkan dievaluasi menggunakan
RMSE, PRESS RMSE, Validation RMSE, dan R2.
Gambar. 3 menyajikan hasil model regresi BSFC sekunder yang dihasilkan oleh jumlah percobaan. Ketika jumlah percobaan ditingkatkan, PRESS
RMSE, RMSE, dan Validasi RMSE menurun. Dengan demikian, akurasi model meningkat; namun, variasinya kecil. Ketika jumlah percobaan
meningkat, perbedaan antara PRESS RMSE dan RMSE menurun; dengan demikian, prediktabilitas model meningkat. Titik konvergensi RMSE
dan PRESS RMSE tidak secara jelas menunjukkan variasi dalam prediktabilitas ini. R2 didistribusikan 0,75-0,8, yang menyiratkan bahwa akurasi
model itu sangat tidak memuaskan.
Gambar. 4 adalah grafik evaluasi model regresi BSFC sesuai dengan jumlah percobaan. Berbeda dengan model regresi BSFC ondary sek-, R2
nilailebih dari 0,95 dan menunjukkan akurasi yang tinggi. Nilai RMSE dan PRESS RMSE relatif rendah; Oleh karena itu, model regresi BSFC
menampilkan akurasi dan prediksi yang tinggi. Pada titik pengukuran lebih dari 70, RMSE, PRESS RMSE, dan Validasi RMSE bertemu, yang
menunjukkan
bahwa akurasi dan prediktabilitas model tidak bervariasi secara signifikan di luar sejumlah eksperimen.
Gambar. 5 adalah grafik evaluasi model regresi BSNOx sekunder. Ketika jumlah percobaan meningkat, nilai RMSE, PRESS RMSE, dan Validasi
RMSE menurun, menunjukkan peningkatan akurasi dan prediktabilitas. Ketiga indeks evaluasi penawaran tidak bertemu, dan dengan demikian,
akurasi tampaknya meningkat karena jumlah percobaan melebihi 100. Namun, sebagai nilai R2 tetap antara 0,8 dan 0,85, akurasi
Tabel 6 DOE masukan batas variabel untuk percobaan akurasi model.
Variabel input Unit Min Max
Tekanan rel umum MPa 53 63 Waktu utama ° À5 0 Pilot 1 timing ls 900 1500 Pilot 2 timing ls 900 1500 Pilot 1 kuantitas mg / str 0,6 1,5 Pilot 2 kuantitas mg / str 0,6 1,5
0,06
R2
PRESS RMSE Validasi RMSE RMSE 1 0,05
0,95
Jumlah percobaan [Tidak.]
Gambar. 5. Model regresi BSNOx dihasilkan vs jumlah percobaan dengan fungsi kuadratik.
0,75
R2
PRESS RMSE RMSE Validasi RMSE 1 Gbr. 4. Model regresi BSFC dihasilkan vs jumlah percobaan dengan fungsi RBF-kuadratik.
0 HWK / g [C FS
50 70 0.95] B0,9 0,85
0,8
0,75
0,7]
50 60 70 80 90 100
HWK / g [x ONS
B0,030,04
0,9
0,85
0,02
0,8
0,01
0,75
0,7
60 80 90 100
922 S. Taman et al . / Rekayasa Termal Terapan 123 (2017) 917-928
model tidak ditingkatkan. Dengan demikian, keakuratan model tidak menampilkan variasi yang signifikan. Selain itu, model yang dihasilkan oleh
metode regresi sekunder tidak menunjukkan kinerja yang kuat karena koefisien determinasi yang rendah.
Gambar. 6 adalah grafik evaluasi model regresi BSNOx yang dibangun menggunakan RBF. Sebagai jumlah percobaan meningkat, R2
2
nilaimenurun, menunjukkan penurunan model cabul-tuduhannya. Meskipun demikian, nilai R tetap lebih tinggi dari 0,95, menunjukkan bahwa
akurasi model masih tinggi. RMSE dan PRESS RMSE meningkat dengan jumlah percobaan. Dengan model ini, lebih sulit untuk menentukan
jumlah percobaan yang optimal, dan bentuk data lebih kompleks. Mirip dengan model BSFC, pada titik pengukuran lebih dari 70, Validasi RMSE
menurun secara signifikan ketika model regresi dihasilkan menggunakan RSM. Oleh karena itu, prediktabilitas meningkat secara luar biasa pada
titik pengukuran di atas 70.
Gambar 7 adalah grafik evaluasi model regresi sekunder BSPM. RMSE dan PRESS RMSE bervariasi secara marginal; Namun, validasi RMSE
menurun sangat. Dengan demikian, ketika jumlah percobaan meningkat, prediktabilitas meningkat bersamaan. Namun, karena R2 menurun jumlah
percobaan meningkat, sangat penting untuk menentukan jumlah optimal percobaan.
Gambar. 8 adalah grafik evaluasi model regresi BSPM yang dibangun menggunakan RBF. Semua R2 nilai-nilailebih dari 0,9; oleh karena itu,
persetujuan antara data dan model regresi sangat tinggi. Ketika jumlah percobaan adalah 50, nilai PRESS RMSE dan RMSE rendah; namun,
Validasi RMSE tinggi. For low number of experiments, it was convenient to fit the model; however, because of the marginal amount of data, the
model displayed low accuracy and low predictive value. At a mea- sure point over 70, PRESS RMSE, RMSE, and Validation RMSE con- verged.
Thus, the usefulness of the regression model did not vary significantly above a certain number of experiments.
3.3. Optimization of engine control strategy using DOE
To perform optimizing experiments for diesel engine control, a point-by-point model was used to determine the primary and sec- ondary DOE.
The local input was composed of the engine control parameters that required calibration as independent variables. According to the experimental
results on the influence of the engine control variables, the primary DOE determined the air mass flow, VGT pressure, swirl actuator position,
common rail pressure, main timing, and pilot 1 timing. The global input (control vari- ables) comprised the conditions of the engine operation
range: engine speed and total quantity of fuel injected. The representative operating conditions were determined, and the experimental con-
ditions were designed. After performing the experiment, the results were used to generate a regression model and proceed with optimization. The
secondary DOE applied a set-point using the pri- mary DOE. Therefore, optimization proceeded in a similar manner as in the primary DOE.
The global input—engine speed and the quantity of fuel injected—were held steady during the engine experiments. Fig. 9 displays seven
representative fuel efficiency points considering the WLTC driving mode. The operating conditions, 800–2200 rpm
0.06
) 61( 2
PRESS RMSE RMSE Validation RMSE R 1 0.05
0.95
] hWk/g[x ONS
B0.04 0.03
0
Number of experiments [No.]
Fig. 6. BSNOx BSFC regression model generated vs. the number of experiments with RBF-quadratic function.
0.9
0.85
0.02
0.8
0.01
0.75
0.7
50 60 70 80 90 100
S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928 9 23
R2
1 0.03 PRESS RMSE RMSE Validation RMSE 0.025
0.95
] hWk/g[M PS
B0.015 0.02
0.01
0.9
0.85
0.8
0.005
0.75
0
0.7
50 60 70 80 90 100
Number of experiments [No.]
Fig. 7. BSPM regression model generated vs. the number of experiments with quadratic function.
0 0.03
R2
PRESS RMSE RMSE Validation RMSE 1 0.025
0.95
] hWk/g[
0.02 0.015
0.9
M PS
0.85 B0.01
0.8
0.005
0.75
0.7
50 60 70 80 90 100
Number of experiments [No.]
Fig. 8. BSPM regression model generated vs. the number of experiments with RBF- quadratic function.
80
Table 9 presents the existing set-points for the control strategy. The
value of the pilot injection timing was 1000 ls, and the value
of the generation algorithm and boundary conditions.
of the pilot injection quantity was 1 mg/str. The values for the swirl The engine experiments were performed in accordance with the
actuator position were 60% and 70% as the optimization was not above tables, and fuel consumption and exhaust emissions (NOx
proper.
and PM) were measured. The responses of the prediction regres- sion models were generated using the measured fuel consumption
Tables 10 and 11 provide the optimization results from the pri- mary and secondary DOE.
and exhaust emissions. The model referred to the result of this
Fig. 11 presents the optimal result for the base, primary, and study's experiments on the reliability and accuracy of the engine
secondary DOE. In operation point 1, BSFC, BSNOx, and BSPM model predictability using RSM and then proceeded to optimiza-
decreased. In the result from the secondary DOE, BSFC decreased, tion using the merit/objective function.
and BSNOx decreased further than in the primary DOE. On the Fig. 10 is a reliability evaluation graph of the measured data.
other hand, BSPM did not vary. In operation point 2, the BSNOx Before generating a model, it was necessary to evaluate the relia-
and BSPM results from the primary and secondary DOE decreased bility of the data and observe the varying trends as conditions
significantly; however, BSNOx varied marginally. In operation
remained unaltered. The experimental conditions table for each operational region was produced using D-optimal design; how-
point 3, BSFC and BSNOx varied marginally; however BSPM decreased. In operation point 4, BSNOx decreased significantly. In
ever, the table was generated randomly. Therefore, the measured
operation point 5, BSNOx and BSPM decreased; however, BSFC var-
data may not display any trends. The BSFC, BSNOx, and BSPM results for the primary and secondary DOE maintain a constant
ied marginally. In operation point 6, BSFC and BSPM increased marginally. The reliability was uncertain because the regression
level with no drift, demonstrating their reliability. However, the
model was not analyzed properly. To resolve this problem, it was data for BSNOx operation 6 in the primary DOE reveal that as the
necessary to increase the number of experiments or use a new type experiment progresses, the BSNOx value decreased marginally.
of DOE and tertiary regression method. In operation point 7, BSPM Drift occurred because of failure to maintain a constant cooling
decreased; however, BSFC and BSNOx varied marginally. water temperature. Another reason was lack in applying exhaust
To predict the number of reductions achieved in the WLTC emissions as the exhaust analyzer sample line was excessively
mode using the results from the primary and secondary DOE, the long.average value was calculated and compared with the base value.
The model was generated using RBF with the results of the
Table 12 presents the reduction rate in the average values from engine experiments. According to the primary and secondary
the primary and secondary DOE. In the primary DOE, BSFC, BSNOx, DOE, a total of 42 models were generated in each work area.
and BSPM decreased by 0.34%, 12.06%, and 16.95%, respectively. In
Table 7 Local input boundaries of DOE 1.
OP Engine speed (rpm) F_Inj (mg/str) Air mass (mg/
str)
VGT boost (hPa) Swirl
Rail
Main
Pilot 1 timing actuator
pressure
timing (°)
(ls) position
(MPa) (%)
1 1000 10 300 320 1050 1100 40 80 43 53 À5 0 900 1500 2 1250 15 320 370 1150 1200 40 80 55 65 À5 0 900 1500 3 1250 25 450 500 1200 1300 40 80 65 75 À5 0 900 1500 4 1500
10 330 380 1150 1200 40 80 55 65 À5 0 900 1500 5 1750 17.5 350 450 1300 1500 40 80 75 85 À5 0 900 1500 6 2000 10 400 500 1200 1300 40 80 65 75 À7 À2 900 1500 7 2000 25
500 600 1500 1600 40 80 88 98 À7 À2 900 1500
924 S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928
the secondary DOE, BSFC decreased by 3.43%, more than in the pri- mary DOE. BSNOx and BSPM decreased less than in the primary DOE.
The primary DOE, which had intake air as the control param- eter, did not affect fuel consumption or power; however, it signif-
Table 8 Local input boundaries of DOE 2.
OP Engine
speed (rpm)
Pilot 2 quantity (mg/str)
1 1000 10 43 53 À5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 2 1250 15 55 65 À5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 3 1250 25 65 75 À5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 4 1500 10
55 65 À5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 5 1750 17.5 75 85 À5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 6 2000 10 65 75 À7 À2 900 1500 900 1500 0.6 1.4 0.6 1.4 7 2000 25 88 98
À7 À2 900 1500 900 1500 0.6 1.4 0.6 1.4
Table 9 Base engine control set-points.
OP Air mass flow (mg/str)
VGT boost
Swirl actuator
Rail pressure
Main
Pilot 1
Pilot 2
Pilot 1 quantity
Pilot 2 quantity pressure (hPa)
position (%)
(MPa)
timing (°)
timing (ls)
timing (ls)
(mg/str)
(mg/str)
1 319.9 1000.3 60.17 45.78 À1.955 1000 1000 1 1 2 338.6 1042.0 69.16 60.22 À2.153 1000 1000 1 1 3 478.2 1175.2 59.87 70.89 À2.311 1000 1000 1 1 4 362.7 1081.0 70.00 60.01
À2.594 1000 1000 1 1 5 413.6 1176.0 70.00 80.05 À3.026 1000 1000 1 1 6 427.9 1184.6 70.00 70.90 À3.421 1000 1000 1 1 7 568.5 1490.5 60.40 95.55 À4.558 1000 1000 1 1
S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928 9 25
700 600
DOE 1 DOE 2
500
400
300
200
0 100 200 300 400 500 600 1.5 DOE 1
1
DOE 2
0.50 0 100 200 300 400 500 600 0.4
] hWk/g[
DOE 1 DOE 2
Fig. 10. Reliability review of measured data. 0.3
M PS
0.2 B0.1
0